論文の概要: Scaling Pêlagos: Multi-GPU Orchestration for Relay Belief-Propagation Decoding
- arxiv url: http://arxiv.org/abs/2611.16285v1
- Date: Thu, 12 Nov 2026 04:36:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.361391
- Title: Scaling Pêlagos: Multi-GPU Orchestration for Relay Belief-Propagation Decoding
- Title(参考訳): Scaling Pêlagos: Relay Belief-Propagation DecodingのためのマルチGPUオーケストレーション
- Abstract要約: 我々は、プロセス分離オーケストレーション、並列ホスト前処理、共有メモリ出力を備えたPlagosリレーリレーリレープロパゲーション(Relay-BP)デコーダを拡張した。
我々はオークリッジ国立研究所のAMD Instinct MI355XベースのスーパーコンピュータであるLuxにPlagosをデプロイする。
- 参考スコア(独自算出の注目度): 3.1620277885496093
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Fault-tolerant quantum computing requires quantum error-correction (QEC) decoders that achieve low logical error rates under real-time operating constraints. These constraints motivate heuristic decoding algorithms whose error-correction performance must be evaluated through large-scale simulation. High-throughput decoding accelerates this evaluation and the exploration of decoder parameters. Using multiple graphics processing units (GPUs) is a natural way to scale these simulations, but naively distributing syndrome batches introduces host-side preprocessing and output-collection overheads that limit scaling. To address these limitations, we extend the Pêlagos relay belief-propagation (Relay-BP) decoder with process-isolated orchestration, parallel host preprocessing, and shared-memory output. We evaluate both one-gross ($[[144,12,12]]$) and two-gross ($[[288,12,18]]$) codes in a multi-GPU environment. Specifically, for the one-gross circuit at $R=50$, eight AMD Instinct MI300X GPUs and eight AMD Instinct MI355X GPUs achieve optimized end-to-end speedups of $5.68\times$ and $6.23\times$, respectively. For the two-gross circuit, the corresponding speedups are $6.92\times$ and $7.01\times$. When throughput is calculated using GPU decoding time, the corresponding two-gross speedups are $7.58\times$ and $7.45\times$, indicating near-linear GPU scaling. We deploy Pêlagos on Lux, Oak Ridge National Laboratory's AMD Instinct MI355X-based supercomputer, as a pathfinding application for high-throughput QEC simulation. This deployment provides a concrete quantum-computing use case for the AI + HPC infrastructure supporting the Genesis Mission's scientific-discovery goals. These end-to-end measurements demonstrate a practical path to accelerating large-scale QEC simulation through efficient multi-GPU decoding.
- Abstract(参考訳): フォールトトレラント量子コンピューティングは、リアルタイム動作制約下で論理誤差率の低い量子誤り訂正(QEC)デコーダを必要とする。
これらの制約は、大規模なシミュレーションによって誤り訂正性能を評価すべきヒューリスティック復号アルゴリズムを動機付けている。
高スループットデコーディングは、この評価とデコーダパラメータの探索を加速する。
複数のグラフィックス処理ユニット(GPU)を使用することは、これらのシミュレーションをスケールするための自然な方法であるが、シンドロームのバッチを選択的に分散することで、スケーリングを制限するホスト側前処理とアウトプット・コレクションのオーバーヘッドが導入される。
これらの制限に対処するため、プロセス分離オーケストレーション、並列ホスト前処理、共有メモリ出力を備えたPêlagos relay belief-proagation (Relay-BP)デコーダを拡張した。
マルチGPU環境で1-gross([[144,12,12]]$)と2-gross([[288,12,18]]$)のコードを評価した。
具体的には、R=50$の1グロス回路では、8つのAMD Instinct MI300X GPUと8つのAMD Instinct MI355X GPUがそれぞれ5.68\times$と6.23\times$の最適化エンドツーエンドのスピードアップを達成する。
2グロス回路の場合、対応するスピードアップは6.92\times$と7.01\times$である。
GPUデコーディング時間を用いてスループットを計算した場合、対応する2グロススピードアップは7.58\times$と7.45\times$で、ニアリニアGPUスケーリングを示している。
我々は,オークリッジ国立研究所のAMD Instinct MI355XベースのスーパーコンピュータであるLuxにPêlagosを,高スループットQECシミュレーションのためのパスフィンディングアプリケーションとして展開する。
このデプロイメントは、Genesis Missionの科学的発見目標をサポートするAI + HPCインフラストラクチャに対して、具体的な量子計算ユースケースを提供する。
これらのエンドツーエンドの測定は、効率的なマルチGPUデコーディングによって大規模なQECシミュレーションを高速化する実践的な方法を示している。
関連論文リスト
- UniLab: A Heterogeneous Architecture for Robot RL Beyond GPU-Dominant Paradigms [68.40808444348735]
シミュレーション支配型ロボット制御では、どのプロセッサが物理を実行するかではなく、シミュレーションスループット、ポリシー学習、実行時同期が効率的なエンドツーエンドループを形成するかどうかが重要な問題である。
データ移動、バッファリング、同期のための統一ランタイムを通じて、GPUポリシー更新からCPU並列シミュレーションを分離する、異種CPU常駐/GPU学習アーキテクチャであるUniLabを提案する。
論文 参考訳(メタデータ) (2026-05-28T17:53:50Z) - GPU-Accelerated Quantum Simulation: Empirical Backend Selection, Gate Fusion, and Adaptive Precision [0.0]
本稿では,GPU加速量子回路シミュレーションフレームワークを提案する。
実証的なバックエンド選択アルゴリズムは、実行時にCuPy、PyTorchCUDA、NumPyのCPUバックエンドをベンチマークする。
ゲート融合エンジンはゲートシーケンスの自動識別により回路深さを低減する。
フォールバック機構はGPUメモリの消費を監視し、リソースの枯渇時にメモリ実行を優雅に低下させる。
論文 参考訳(メタデータ) (2026-04-04T17:46:37Z) - Machine learning-driven conservative-to-primitive conversion in hybrid piecewise polytropic and tabulated equations of state [0.1572025118388268]
本稿では,流体力学シミュレーションにおける保守的・原始的逆転を高速化する機械学習(ML)手法を提案する。
我々は、フィードフォワードニューラルネットワーク(NNC2PSとNC2PL)を採用し、PyTorchでトレーニングし、NVIDIARTを用いたGPU推論に最適化した。
NNC2PS推論用の混合精度RTエンジンは、データセットサイズ1000,000点の従来のシングルスレッド実装よりも約400倍高速である。
論文 参考訳(メタデータ) (2024-12-10T19:00:01Z) - Hardware-Aware Parallel Prompt Decoding for Memory-Efficient Acceleration of LLM Inference [23.633481089469836]
LLM(Large Language Models)の自動回帰デコーディングは、ハードウェアの性能に大きなオーバーヘッドをもたらす。
トレーニング可能なパラメータを0.0002$%しか必要とせず,A100-40GBのGPUをたった16時間で効率的にトレーニングできる並列プロンプトデコーディングを提案する。
我々のアプローチでは、最大2.49$times$ スピードアップを示し、最小のメモリオーバーヘッドは0.0004$%である。
論文 参考訳(メタデータ) (2024-05-28T22:19:30Z) - Scalable Quantum Error Correction for Surface Codes using FPGA [67.74017895815125]
フォールトトレラントな量子コンピュータは、出現するよりも早くデコードし、エラーを修正する必要がある。
並列計算資源を利用したUnion-Findデコーダの分散バージョンを報告する。
この実装では、並列コンピューティングリソースをハイブリッドツリーグリッド構造に整理する、Heliosと呼ばれるスケーラブルなアーキテクチャを採用している。
論文 参考訳(メタデータ) (2023-01-20T04:23:00Z) - Adaptive Elastic Training for Sparse Deep Learning on Heterogeneous
Multi-GPU Servers [65.60007071024629]
本稿では,Adaptive SGDが4つの最先端ソリューションよりも精度が高いことを示す。
本稿では,Adaptive SGDが時間と精度で4つの最先端ソリューションより優れていることを示す。
論文 参考訳(メタデータ) (2021-10-13T20:58:15Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。